高光譜遙感圖像混合像元解混方法的研究.pdf

1、由于遙感拍攝儀器空間分辨率的限制,遙感圖像中的一個像元通常對應(yīng)著地面上較大面積的一塊區(qū)域,例如,AVIRIS拍攝的高光譜遙感圖像的地面分辨率為17m×17m。這樣的一塊區(qū)域內(nèi)可能存在多種地物類型,于是形成了混合像元。將混合像元分解為典型的地物(即端元)和它們之間混合的比例(即豐度),可以獲取亞像元級別的信息,提高地物識別的精度,實現(xiàn)定量遙感。因此,混合像元的分解對于基于多光譜和高光譜遙感圖像的高精度地物分類以及地面目標的檢測有著重要的意

2、義,成為近年來遙感領(lǐng)域的一個研究熱點。本文針對這個問題作了大量研究,創(chuàng)新內(nèi)容主要包括以下幾部分:
　　 1.本文提出一種新的遙感圖像混合像元分解方法,該方法首次將貝葉斯自組織映射(Bayesian Self-Organizing Map,BSOM)引入到遙感圖像的混合像元分解問題中,并結(jié)合高斯混合模型(Gaussian Mixture Model,GMM)進行解混。本文針對所提議的算法進行了模擬和實際數(shù)據(jù)的實驗驗證,并將結(jié)果與模

3、糊C均值(Fuzzy C-Means,FCM)的分解結(jié)果進行了比較,結(jié)果表明,本文所提出的基于貝葉斯自組織映射和高斯混合模型的解混方法能在較短的計算時間內(nèi)獲得精確的解混結(jié)果,在分解準確性和抗噪聲能力方面要明顯優(yōu)于模糊C均值方法。
　　 2.本文提出一種基于自組織映射神經(jīng)網(wǎng)絡(luò)和模糊隸屬度的遙感圖像混合像元分解方法,該方法首先對自組織映射神經(jīng)網(wǎng)絡(luò)進行有監(jiān)督的訓(xùn)練,然后基于模糊模型解混。模擬和實際數(shù)據(jù)的實驗結(jié)果表明,對非線性混合的應(yīng)用

4、,文中所提議的混合像元分解方法相對于全約束最小二乘(Full Constraint Least-Square,FCLS),梯度下降最大熵(Gradient Descend Maximum Entropy,GDME),模糊C均值(Fuzzy C-Means,FCM)等方法有非常好的分解準確性和抗噪聲能力。
　　 3.本文提出了一種基于獨立元分析(Independent Component Analysis,ICA)的遙感圖像混合像